Amazon SageMaker JumpStart
机器学习（ML）中心，包含只需单击几下即可部署的内置算法、基础模型和预构建 ML 解决方案
带有来自热门模型中心的预训练模型的数百种内置算法
只需点击几下即可部署热门的基础模型
针对常见用例的完全可定制解决方案和参考架构，可加速 ML 之旅
在您的组织内共享 ML 模型和笔记本，以加速 ML 模型的构建和部署
Amazon SageMaker JumpStart 是一个机器学习（ML）中心，可以帮助您加速 ML 之旅。借助 SageMaker JumpStart，您可以访问带有来自模型中心的预训练模型以及预训练基础模型的内置算法，帮助您执行文章摘要和图像生成等任务，以及用于解决常见用例的预构建解决方案。此外，您可以在组织内共享 ML 构件，包括 ML 模型和笔记本，以加速 ML 模型的构建和部署。
工作原理
-
带有预训练模型的内置算法
-
解决方案
-
ML 构件共享
-
带有预训练模型的内置算法
-
-
解决方案
-
-
ML 构件共享
-
内置算法
SageMaker JumpStart 提供数百种内置算法以及经过预先训练的模型，这些模型均来自模型中心，包括 TensorFlow Hub、PyTorch Hub、HuggingFace 和 MxNet GluonCV。您也可以使用 SageMaker Python 开发工具包访问内置算法。内置算法包括常见的机器学习任务，如数据分类（图像、文本、表格）和情绪分析。
基础模型
基础模型是包含数十亿个参数并在数 TB 的文本和图像数据上进行预训练的大规模 ML 模型，因此您可以执行范围广泛的任务，例如文章摘要和文本、图像或视频生成。由于基础模型是经过预训练的，因此它们可以帮助降低训练和基础设施成本，并支持针对您的用例进行定制。
通过 SageMaker 提供的基础模型。
预构建的解决方案
预构建的解决方案可用于常见用例，并且可以完全定制。
客户
-
Tyson
-
“在 Tyson Foods，我们不断寻找新的方法，以便在生产过程中使用机器学习（ML）来提高生产力。我们使用图像分类模型来识别生产线上需要包装标签的产品。但是，图像分类模型需要使用来自现场的新图像定期进行再训练。Amazon SageMaker JumpStart 使我们的数据科学家能够与支持工程师共享 ML 模型，这样，他们就可以使用新数据训练 ML 模型，而无需编写任何代码。这加快了 ML 解决方案的上市速度，促进了持续改进，并提高了生产力。”
Rahul Damineni，Tyson Foods 专家数据科学家
-
任务自动化
-
“借助 Amazon SageMaker JumpStart，我们能够在几天之内启动 ML 解决方案，从而更快、更可靠地满足机器学习预测需求。”
自动化任务 CEO Alex Panait
-
MyCase
-
“借助 Amazon SageMaker JumpStart，我们可以获得更好的起点，从而在 4-6 周而不是 3-4 个月内，为我们自己的使用案例部署 ML 解决方案。”
MyCase 软件工程师 Gus Nguyen
-
pivotree
-
“借助 Amazon SageMaker JumpStart，我们可以更快地构建 ML 应用程序，例如自动异常检测或对象分类，并在几天之内启动从概念验证到生产的解决方案。”
Pivotree 平台架构师 Milos Hanzel
